Estos apéndices presentan las rúbricas completas de competencias utilizadas en el marco propuesto de competencias en IA para la educación en ingeniería. Están pensados para apoyar el diseño curricular, el desarrollo docente, la autoevaluación y la evaluación de programas.
Apéndice A. Lista de verificación de competencias en IA para cualquier ingeniero
Esta lista resume las competencias en IA que cualquier ingeniero debería desarrollar, sin importar su especialidad. El nivel esperado es un desempeño competente en alfabetización básica de IA, uso responsable, aplicaciones de ingeniería y comunicación interdisciplinaria.
| Dominio | Indicador |
|---|---|
| Fundamentos de IA | Distingue la IA simbólica, el aprendizaje automático, la IA generativa y la IA basada en agentes |
| Evolución histórica | Explica la transición de reglas y búsqueda hacia ML, LLMs y agentes |
| IA no generativa | Reconoce búsqueda, reglas, razonamiento bayesiano, planeación y optimización |
| Búsqueda y solución de problemas | Representa problemas como estados, acciones, rutas, costos y metas |
| Restricciones y asignación | Identifica variables, dominios, restricciones, programación de horarios y asignación de recursos |
| Razonamiento lógico y probabilístico | Interpreta razonamiento basado en reglas y en incertidumbre |
| Planeación y toma de decisiones | Reconoce acciones, metas, costos, restricciones y secuencias de decisión |
| Optimización | Conecta la optimización con ruteo, diseño, control y asignación de recursos |
| Aprendizaje automático | Distingue aprendizaje supervisado, no supervisado y por refuerzo |
| Redes neuronales | Reconoce arquitecturas neuronales comunes y sus aplicaciones |
| LLMs y modelos fundacionales | Comprende tokens, embeddings, atención, prompting y limitaciones |
| Agentes inteligentes | Identifica entorno, estado, acción, meta, memoria, herramientas y retroalimentación |
| Sistemas multiagente | Reconoce coordinación, cooperación, competencia y comportamiento emergente |
| Aplicaciones de ingeniería | Conecta la IA con robótica, manufactura, logística, energía, software, mantenimiento y biotecnología |
| Uso responsable | Evalúa riesgos relacionados con sesgos, privacidad, alucinaciones, seguridad y rendición de cuentas |
| Comunicación | Explica supuestos, resultados, riesgos y limitaciones de la IA a equipos interdisciplinarios |
Apéndice B. Lista de verificación de competencias en IA para ingenieros en computación y científicos de datos
Esta lista resume competencias especializadas en IA para perfiles responsables de diseñar, implementar, evaluar, desplegar y gobernar sistemas de IA. El nivel esperado va de competente a avanzado en desarrollo técnico de IA.
| Dominio | Indicador |
|---|---|
| Fundamentos matemáticos | Aplica álgebra lineal, cálculo, probabilidad, estadística, optimización e incertidumbre |
| IA clásica | Formaliza problemas usando estados, acciones, reglas, restricciones, probabilidades y planes |
| Búsqueda y planeación | Implementa y evalúa BFS, DFS, A*, búsqueda heurística y estrategias de planeación |
| CSP y optimización combinatoria | Resuelve problemas de asignación, programación de horarios, configuración y diseño con restricciones |
| Algoritmos bioinspirados | Aplica GA, PSO, ACO, recocido simulado o metaheurísticas híbridas |
| Pipelines de datos | Limpia, transforma, particiona, documenta y monitorea datos |
| Aprendizaje supervisado | Entrena, valida, ajusta e interpreta modelos predictivos |
| Aprendizaje no supervisado | Aplica clustering, reducción de dimensionalidad, embeddings y detección de anomalías |
| Aprendizaje semi/autosupervisado | Usa datos sin etiquetar o parcialmente etiquetados mediante preentrenamiento o pseudo-etiquetado |
| Aprendizaje por refuerzo | Modela estados, acciones, recompensas, políticas y decisiones secuenciales |
| Transferencia y aprendizaje continuo | Aplica fine-tuning, adaptación de dominio, aprendizaje continuo o estrategias few-shot |
| Aprendizaje federado y privacidad | Diseña aprendizaje con datos distribuidos que preserva la privacidad |
| Arquitecturas neuronales | Selecciona o implementa arquitecturas para imágenes, texto, señales, grafos o datos multimodales |
| Transformers y LLMs | Usa prompting, RAG, fine-tuning, búsqueda semántica, extracción, resumen y evaluación |
| Agentes que usan herramientas | Diseña agentes con memoria, herramientas, APIs, recuperación de información, ejecución de código y supervisión |
| Simulación multiagente | Modela coordinación, roles, comunicación, negociación y comportamiento emergente |
| Evaluación de modelos | Usa validación, métricas, análisis de errores, robustez, equidad y pruebas fuera de muestra |
| Explicabilidad | Aplica SHAP, LIME, análisis de sensibilidad, mapas de saliencia o modelos interpretables |
| Ingeniería de software para IA | Usa control de versiones, pruebas, modularidad, reproducibilidad, documentación y pipelines |
| MLOps | Despliega, monitorea, reentrena, asegura y mantiene sistemas de IA |
| Ética y gobernanza | Aplica privacidad, equidad, trazabilidad, supervisión humana y rendición de cuentas |
| Comunicación técnica | Traduce problemas de dominio a problemas de datos/modelado y explica limitaciones |
Apéndice C. Lista de verificación de competencias en IA para docentes de ingeniería
Esta lista resume las competencias pedagógicas en IA que necesitan los docentes de ingeniería. El nivel esperado va de competente a avanzado en integración pedagógica, rediseño curricular, evaluación auténtica y uso responsable de la IA.
| Dominio | Indicador |
|---|---|
| Alfabetización en IA para la enseñanza | Explica conceptos de IA usando ejemplos de la educación en ingeniería |
| Fundamentos STEAM listos para IA | Conecta álgebra lineal, probabilidad, estadística, optimización, programación y modelado con conceptos de IA |
| Rediseño curricular | Alinea las competencias en IA con resultados de aprendizaje, actividades, evidencias y evaluación |
| IA generativa para diseño instruccional | Usa IA generativa para crear ejemplos, casos, simulaciones, retroalimentación, rúbricas y actividades |
| Aprendizaje activo asistido por IA | Diseña ABP, proyectos, simulaciones, escape rooms, diálogos socráticos y juegos educativos |
| Enseñanza de IA simbólica | Diseña actividades que involucran búsqueda, restricciones, lógica, planeación y optimización |
| Enseñanza de IA basada en datos | Usa conjuntos de datos, visualizaciones, evaluación de modelos, incertidumbre y análisis de errores |
| Enseñanza con LLMs | Guía el prompting, la verificación, la comparación, la documentación y el uso crítico |
| Enseñanza de agentes y sistemas multiagente | Usa agentes, simulaciones, juegos, robots o escenarios de colaboración humano-IA |
| Evaluación auténtica | Requiere justificación, validación, comparación, crítica y reflexión |
| Detección de aprendizaje superficial | Usa defensa oral, evidencia de proceso, bitácoras, tareas de crítica y validación en clase |
| Metacognición | Ayuda a los estudiantes a cuestionar, verificar, iterar, autoexplicarse y tomar decisiones responsables |
| Uso ético | Define normas de divulgación, privacidad, integridad académica, equidad y rendición de cuentas |
| Inclusión y equidad | Usa la IA para apoyar aprendizaje diferenciado, accesible, multilingüe y personalizado |
| Mejora basada en evidencia | Recopila evidencia del trabajo de los estudiantes, retroalimentación, analítica, rúbricas y observaciones |
| Desarrollo profesional | Actualiza fundamentos de IA, herramientas, riesgos, estrategias pedagógicas y prácticas institucionales |
Apéndice D. Rúbricas de competencias en IA para la educación en ingeniería
Conocimientos y habilidades de IA que todo ingeniero debería tener
Esta rúbrica evalúa el nivel de comprensión, aplicación y juicio crítico que todo ingeniero debería desarrollar respecto a la inteligencia artificial, sin importar su especialidad. Se enfoca en la capacidad de comprender conceptos fundamentales, identificar aplicaciones de ingeniería, usar herramientas de IA de manera responsable y colaborar con especialistas técnicos.
| Criterio | Inicial | Básico | Competente | Avanzado |
|---|---|---|---|---|
| 1. Comprensión general de la IA | Reconoce la IA como una tecnología actual, pero la asocia principalmente con chatbots o automatización. | Distingue, en términos generales, entre IA tradicional, aprendizaje automático e IA generativa. | Explica la IA como un conjunto de técnicas de búsqueda, razonamiento, aprendizaje, optimización y generación de contenido. | Relaciona históricamente la IA simbólica, conexionista, estadística, generativa y basada en agentes, identificando continuidades y diferencias. |
| 2. Historia y evolución de la IA | Identifica algunos hitos aislados de la IA. | Reconoce etapas generales: IA simbólica, sistemas expertos, redes neuronales, aprendizaje automático e IA generativa. | Explica cómo la IA ha evolucionado de reglas y búsqueda a modelos fundacionales y agentes. | Analiza críticamente los ciclos de sobreexpectativa, las limitaciones técnicas, los avances computacionales y los cambios en datos, hardware y algoritmos. |
| 3. IA no generativa | Tiene una idea general de que algunos algoritmos de IA no generan texto o imágenes. | Reconoce técnicas como búsqueda, reglas, redes bayesianas, optimización y aprendizaje supervisado. | Explica aplicaciones de búsqueda, satisfacción de restricciones, razonamiento, planeación y optimización en problemas de ingeniería. | Modela problemas reales de ingeniería como búsqueda, restricciones, planeación, inferencia probabilística u optimización. |
| 4. Algoritmos de búsqueda y solución de problemas | Reconoce que algunos problemas pueden representarse como rutas o estados. | Distingue entre búsqueda no informada e informada. | Explica algoritmos como BFS, DFS, búsqueda de costo uniforme y A*, relacionándolos con rutas, grafos, robótica o logística. | Selecciona una estrategia de búsqueda adecuada considerando costo, optimalidad, completitud y complejidad. |
| 5. Satisfacción de restricciones y asignación | Identifica que muchos problemas tienen condiciones que deben satisfacerse. | Reconoce ejemplos como horarios, asignación de recursos o configuración de sistemas. | Formula problemas con variables, dominios y restricciones. | Diferencia entre satisfacción de restricciones, optimización con restricciones, asignación, programación de horarios y planeación. |
| 6. Razonamiento lógico y probabilístico | Reconoce que la IA puede usar reglas o probabilidades. | Distingue entre razonamiento basado en reglas y razonamiento bajo incertidumbre. | Explica sistemas expertos, reglas de inferencia, redes bayesianas y diagnóstico probabilístico. | Interpreta relaciones causales o probabilísticas en contextos de riesgo, sensores, fallas, mantenimiento y seguridad. |
| 7. Planeación y toma de decisiones | Identifica que un sistema inteligente puede seguir una secuencia de acciones. | Reconoce ejemplos de planeación en robótica, manufactura o logística. | Describe la planeación como la construcción de una secuencia de acciones desde un estado inicial hacia una meta. | Analiza problemas que involucran acciones, restricciones, incertidumbre, costos y múltiples objetivos. |
| 8. Optimización y algoritmos bioinspirados | Reconoce que la IA puede buscar mejores soluciones. | Identifica algoritmos como algoritmos genéticos, optimización por enjambre de partículas, optimización por colonia de hormigas o recocido simulado. | Relaciona los algoritmos bioinspirados con diseño, ruteo, asignación, control y programación de horarios. | Selecciona enfoques de optimización según el tipo de problema: continuo, discreto, combinatorio, multiobjetivo o con restricciones. |
| 9. Aprendizaje automático | Reconoce que los modelos aprenden de los datos. | Distingue aprendizaje supervisado, no supervisado y por refuerzo. | Explica el aprendizaje supervisado, no supervisado, semi-supervisado, autosupervisado, por refuerzo, por transferencia, federado, continuo y de meta-aprendizaje. | Evalúa qué paradigma de aprendizaje es apropiado según la disponibilidad de datos, etiquetas, privacidad, entorno y necesidad de adaptación. |
| 10. Arquitecturas y topologías neuronales | Reconoce términos como red neuronal o aprendizaje profundo. | Identifica algunas arquitecturas: MLP, CNN, RNN, Transformer. | Distingue topología, arquitectura, modelo y algoritmo de aprendizaje. | Relaciona arquitecturas con tipos de datos: imágenes, señales, texto, grafos, series de tiempo y datos multimodales. |
| 11. LLMs y modelos fundacionales | Usa LLMs como herramientas sin entender su funcionamiento básico. | Reconoce que los LLMs trabajan con tokens, embeddings y predicción de texto. | Explica la relación entre Transformers, atención, embeddings, aprendizaje autosupervisado y generación. | Distingue usos generativos y no generativos de los LLMs: clasificación, recuperación, análisis, agentes, programación y apoyo a la toma de decisiones. |
| 12. Agentes de IA | Identifica un agente como un sistema que responde a instrucciones. | Reconoce que un agente puede percibir, decidir y actuar. | Explica componentes como entorno, estado, acción, meta, memoria, herramientas y evaluación. | Diseña conceptualmente agentes para resolver problemas de ingeniería usando búsqueda, planeación, aprendizaje, herramientas o LLMs. |
| 13. Sistemas multiagente | Reconoce que un sistema puede tener múltiples componentes autónomos. | Identifica ejemplos como robots, vehículos, sensores, usuarios o máquinas que interactúan. | Explica cooperación, competencia, coordinación, comunicación y comportamiento emergente en problemas de ingeniería. | Analiza cuándo es apropiado modelar un problema como un sistema multiagente y qué riesgos implica: conflictos, escalabilidad, incertidumbre y control. |
| 14. Aplicaciones de ingeniería | Menciona aplicaciones generales de la IA. | Relaciona la IA con automatización, predicción, clasificación y optimización. | Identifica aplicaciones por área: robótica, manufactura, energía, ingeniería civil, ingeniería biomédica, logística, software y mantenimiento. | Propone soluciones de IA viables considerando datos, objetivos, restricciones, riesgos, costo, impacto y escalabilidad. |
| 15. Uso responsable y ético | Reconoce que la IA tiene riesgos. | Identifica temas como sesgos, privacidad, errores y dependencia excesiva. | Evalúa riesgos relacionados con alucinaciones, datos sensibles, explicabilidad, seguridad, responsabilidad y equidad. | Integra criterios éticos, legales, técnicos y sociales en la selección, implementación y evaluación de soluciones de IA. |
| 16. Comunicación y colaboración interdisciplinaria | Usa términos de IA de forma imprecisa. | Comunica ideas básicas de IA a otros ingenieros. | Explica con claridad problemas, modelos, datos, supuestos y limitaciones. | Colabora efectivamente con especialistas en datos, computación, dominios de ingeniería, operaciones, gestión y usuarios finales. |
Interpretación sugerida
| Nivel | Descriptor |
|---|---|
| Inicial | Conoce la IA principalmente como usuario. |
| Básico | Comprende conceptos fundamentales y reconoce aplicaciones. |
| Competente | Puede analizar problemas de ingeniería y asociarlos con técnicas de IA. |
| Avanzado | Puede participar en el diseño, evaluación y toma de decisiones de soluciones de IA en contextos reales. |
Perfil esperado para cualquier ingeniero
Todo ingeniero debería alcanzar al menos un nivel competente en comprensión general, aplicaciones, uso responsable, identificación de problemas y colaboración interdisciplinaria. No necesariamente necesita programar modelos avanzados, pero sí debería poder comunicarse con especialistas, evaluar la pertinencia, interpretar resultados y reconocer limitaciones.
Conocimientos y habilidades de IA para ingenieros en computación y científicos de datos
Esta rúbrica evalúa competencias más especializadas para perfiles responsables de diseñar, implementar, entrenar, evaluar, desplegar y mantener sistemas de inteligencia artificial. Está dirigida a ingenieros en computación, científicos de datos, especialistas en aprendizaje automático, desarrolladores de IA y perfiles técnicos afines.
| Criterio | Inicial | Básico | Competente | Avanzado |
|---|---|---|---|---|
| 1. Fundamentos matemáticos para la IA | Maneja nociones aisladas de álgebra, cálculo, probabilidad o estadística. | Usa conceptos básicos de vectores, matrices, derivadas, distribuciones y error. | Aplica álgebra lineal, optimización, probabilidad, inferencia estadística y cálculo para entender modelos de IA. | Formula, analiza y justifica modelos usando fundamentos matemáticos, complejidad, convergencia, regularización e incertidumbre. |
| 2. Representación de problemas clásicos de IA | Reconoce problemas de búsqueda o basados en reglas, pero no los formaliza. | Modela problemas simples con estados, acciones y metas. | Implementa búsqueda no informada, búsqueda informada, CSP, razonamiento lógico, redes bayesianas y planeación básica. | Diseña soluciones híbridas que combinan búsqueda, lógica, probabilidad, planeación y optimización en problemas complejos. |
| 3. Algoritmos de búsqueda y planeación | Conoce los nombres de algoritmos como BFS, DFS o A*. | Implementa versiones simples de BFS, DFS y A*. | Evalúa algoritmos según completitud, optimalidad, memoria, tiempo y calidad de la heurística. | Diseña heurísticas, planificadores o variantes adaptadas para robótica, videojuegos, logística, automatización o sistemas multiagente. |
| 4. Satisfacción de restricciones y optimización combinatoria | Identifica problemas de asignación o de restricciones. | Formula CSPs simples con variables, dominios y restricciones. | Implementa backtracking, propagación de restricciones, búsqueda local y modelos de optimización con restricciones. | Resuelve problemas reales de programación de horarios, asignación, diseño o configuración usando CSP, programación entera, metaheurísticas o enfoques híbridos. |
| 5. Algoritmos bioinspirados | Reconoce ejemplos como algoritmos genéticos o enjambres. | Explica la inspiración y el funcionamiento básico de GA, PSO, ACO o recocido simulado. | Implementa y ajusta metaheurísticas para problemas de optimización. | Compara metaheurísticas, diseña operadores y evalúa convergencia, diversidad, exploración-explotación y desempeño multiobjetivo. |
| 6. Preparación y comprensión de datos | Carga datos y realiza inspecciones básicas. | Limpia datos e identifica valores faltantes, atípicos y variables relevantes. | Construye pipelines de datos con validación, transformación, particionamiento, codificación, escalamiento y documentación. | Diseña estrategias robustas de calidad de datos, linaje, gobernanza, privacidad, sesgo y monitoreo de cambios en la distribución. |
| 7. Aprendizaje supervisado | Entrena modelos básicos sin evaluación profunda. | Aplica regresión, clasificación y métricas comunes. | Selecciona modelos, ajusta hiperparámetros, valida resultados y controla el sobreajuste. | Diseña soluciones supervisadas robustas considerando desbalance, interpretabilidad, incertidumbre, costo del error y generalización. |
| 8. Aprendizaje no supervisado y representación | Aplica clustering o reducción de dimensionalidad de forma básica. | Usa k-means, PCA u otros métodos exploratorios. | Interpreta clusters, embeddings, reducción de dimensionalidad, anomalías y estructura latente. | Diseña representaciones útiles para búsqueda semántica, detección de anomalías, segmentación, recomendación o preentrenamiento. |
| 9. Aprendizaje semi-supervisado y autosupervisado | Reconoce que las etiquetas no siempre están disponibles. | Distingue el aprendizaje semi-supervisado del autosupervisado. | Aplica técnicas para aprovechar datos sin etiquetar o parcialmente etiquetados. | Diseña tareas pretexto, estrategias de pseudo-etiquetado, aprendizaje contrastivo o preentrenamiento para dominios específicos. |
| 10. Aprendizaje por refuerzo | Reconoce agente, entorno, acción y recompensa. | Implementa ejemplos simples de Q-learning o políticas básicas. | Formula MDPs, define recompensas, evalúa políticas y entrena agentes en simulación. | Diseña sistemas de RL para control, robótica, optimización secuencial o toma de decisiones bajo incertidumbre, considerando seguridad y estabilidad. |
| 11. Aprendizaje por transferencia, continuo y meta-aprendizaje | Reconoce que un modelo puede reutilizar conocimiento. | Aplica modelos preentrenados a tareas simples. | Usa fine-tuning, adaptación de dominio y estrategias para datos limitados. | Diseña sistemas adaptativos con transferencia, aprendizaje continuo, prevención del olvido catastrófico y adaptación rápida a nuevas tareas. |
| 12. Aprendizaje federado y privacidad | Reconoce que los datos pueden estar distribuidos. | Explica la idea de entrenar sin centralizar los datos. | Implementa o diseña esquemas básicos de aprendizaje federado. | Integra privacidad diferencial, seguridad, agregación robusta, heterogeneidad de datos y restricciones regulatorias. |
| 13. Arquitecturas neuronales | Usa redes neuronales como cajas negras. | Distingue MLP, CNN, RNN, LSTM, Autoencoder y Transformer. | Implementa, entrena y evalúa arquitecturas según el tipo de dato: imagen, texto, señal, grafo o serie de tiempo. | Diseña arquitecturas o adapta modelos avanzados considerando capacidad, regularización, eficiencia, interpretabilidad y costo computacional. |
| 14. Transformers, LLMs y modelos fundacionales | Usa LLMs sin entender su arquitectura. | Explica tokens, embeddings, atención y predicción de tokens. | Aplica LLMs para clasificación, extracción, resumen, generación, búsqueda semántica, RAG y asistencia de programación. | Diseña sistemas de LLM evaluables, seguros y trazables usando prompting avanzado, RAG, fine-tuning, agentes, herramientas y evaluación sistemática. |
| 15. Agentes que usan herramientas y sistemas multiagente | Reconoce a los agentes como asistentes automatizados. | Diseña flujos de trabajo simples con entrada, razonamiento y salida. | Construye agentes que usan memoria, herramientas, APIs, bases de datos, ejecución de código o recuperación de información. | Diseña arquitecturas multiagente con planeación, coordinación, evaluación, seguridad, trazabilidad, límites de acción y supervisión humana. |
| 16. Sistemas multiagente y simulación basada en agentes | Reconoce múltiples agentes interactuando en un entorno. | Implementa simulaciones simples con reglas locales. | Diseña sistemas multiagente con comunicación, coordinación, roles, objetivos y métricas de desempeño. | Implementa sistemas complejos con aprendizaje multiagente, negociación, teoría de juegos, coordinación distribuida, comportamiento emergente y evaluación robusta. |
| 17. Evaluación de modelos | Usa exactitud o error sin mayor análisis. | Aplica métricas básicas de clasificación, regresión o clustering. | Evalúa con métricas apropiadas, validación cruzada, curvas ROC/PR, matrices de confusión, error, sesgo-varianza y pruebas fuera de muestra. | Diseña marcos de evaluación integrales con métricas técnicas, costo de negocio, robustez, equidad, incertidumbre, seguridad y monitoreo post-despliegue. |
| 18. Interpretabilidad y explicabilidad | Reconoce que algunos modelos son difíciles de interpretar. | Usa importancia de variables o explicaciones simples. | Aplica técnicas como SHAP, LIME, análisis de sensibilidad, mapas de saliencia o interpretabilidad de árboles. | Integra la explicabilidad en sistemas críticos, auditorías, toma de decisiones humanas y comunicación con usuarios no técnicos. |
| 19. Ingeniería de software para IA | Escribe scripts funcionales pero difíciles de mantener. | Organiza código, datos y experimentos de forma básica. | Usa control de versiones, pruebas, entornos reproducibles, documentación y pipelines. | Diseña sistemas de ML robustos con modularidad, pruebas, CI/CD, versionado de datos/modelos, monitoreo y escalabilidad. |
| 20. MLOps y despliegue | Entrena modelos localmente sin desplegarlos. | Exporta modelos y los usa en aplicaciones sencillas. | Despliega modelos como servicios, APIs, dashboards o procesos automatizados. | Gestiona el ciclo de vida completo: entrenamiento, validación, despliegue, monitoreo, reentrenamiento, drift, seguridad y costos. |
| 21. Ética, seguridad y gobernanza de la IA | Reconoce riesgos generales de la IA. | Identifica sesgos, privacidad, alucinaciones, errores y mal uso. | Aplica principios de seguridad, privacidad, trazabilidad, evaluación y supervisión humana. | Diseña marcos de gobernanza, auditoría, mitigación de riesgos, cumplimiento regulatorio y rendición de cuentas para sistemas de IA. |
| 22. Comunicación técnica y traducción de dominio | Explica modelos con lenguaje demasiado técnico o superficial. | Comunica resultados básicos con gráficas y métricas. | Traduce problemas de dominio a problemas de datos/modelado y comunica supuestos, resultados y limitaciones. | Lidera conversaciones entre negocio, ingeniería, datos, operaciones y usuarios, tomando decisiones técnica y éticamente justificadas. |
Interpretación sugerida
| Nivel | Descriptor |
|---|---|
| Inicial | Usa herramientas de IA o implementaciones básicas, pero con comprensión limitada. |
| Básico | Puede aplicar modelos conocidos siguiendo procedimientos estándar. |
| Competente | Puede diseñar, entrenar, evaluar y desplegar soluciones de IA para problemas reales. |
| Avanzado | Puede crear soluciones robustas, escalables y auditables adaptadas a contextos complejos. |
Perfil esperado para ingenieros en computación y científicos de datos
Un ingeniero en computación o científico de datos debería alcanzar al menos un nivel competente en fundamentos matemáticos, programación, datos, modelos, evaluación, despliegue y ética. Para liderar proyectos de IA, debería acercarse al nivel avanzado en diseño de sistemas.
Competencias en IA para docentes de ingeniería
Esta rúbrica evalúa las competencias pedagógicas en IA que los docentes de ingeniería deberían desarrollar para comprender los fundamentos de la IA, integrar la IA generativa de forma crítica, rediseñar planes de estudio, crear experiencias de aprendizaje significativas, evaluar el aprendizaje de los estudiantes de forma auténtica y guiar una colaboración humano-IA responsable.
| Criterio | Inicial | Básico | Competente | Avanzado |
|---|---|---|---|---|
| 1. Alfabetización en IA para la enseñanza | Reconoce la IA principalmente como una herramienta de aula o chatbot. | Explica diferencias básicas entre IA simbólica, aprendizaje automático, IA generativa y agentes. | Usa ejemplos de ingeniería para explicar conceptos, aplicaciones, límites y riesgos de la IA. | Integra perspectivas históricas, conceptuales, técnicas, éticas y pedagógicas para enseñar IA de forma crítica. |
| 2. Fundamentos STEAM listos para IA | Menciona que las matemáticas o la computación están relacionadas de forma general con la IA. | Identifica vínculos entre la IA y el álgebra lineal, la probabilidad, la estadística, la optimización, la programación o el modelado. | Conecta los temas fundamentales de STEAM con embeddings, incertidumbre, aprendizaje, búsqueda, simulación y evaluación de modelos. | Rediseña las rutas de aprendizaje STEAM tempranas para que los estudiantes construyan bases para la teoría y práctica moderna de la IA. |
| 3. Rediseño curricular | Añade herramientas de IA a actividades existentes sin cambiar los resultados de aprendizaje. | Incluye temas o actividades relacionadas con IA en componentes seleccionados del curso. | Alinea las competencias en IA con resultados de aprendizaje, actividades, evidencias, evaluación y uso ético. | Lidera un rediseño curricular flexible y basado en competencias que integra la IA progresivamente en cursos o programas. |
| 4. IA generativa para diseño instruccional | Usa la IA generativa principalmente para producir textos, diapositivas o ejemplos simples. | Usa la IA generativa para redactar materiales, ejemplos, preguntas o rúbricas con revisión docente. | Diseña casos, simulaciones, retroalimentación, rúbricas y actividades asistidas por IA alineadas con los objetivos de aprendizaje. | Crea flujos de trabajo robustos de diseño instruccional con IA generativa, criterios de validación, precisión disciplinaria y mejora continua. |
| 5. Aprendizaje activo asistido por IA | Usa la IA como apoyo opcional para el trabajo individual del estudiante. | Introduce la IA en actividades guiadas como discusiones, práctica o resolución de problemas. | Diseña ABP, proyectos, simulaciones, escape rooms, diálogos socráticos o juegos educativos con apoyo de IA. | Orquesta entornos complejos de aprendizaje activo donde la IA apoya la indagación, la colaboración, la creatividad y el razonamiento profundo. |
| 6. Enseñanza de IA simbólica y no generativa | Menciona temas de IA clásica sin integrarlos en actividades. | Explica ejemplos básicos de búsqueda, reglas, lógica, planeación o restricciones y optimización. | Diseña actividades en las que los estudiantes modelan problemas de ingeniería usando búsqueda, restricciones, razonamiento, planeación u optimización. | Conecta la IA simbólica con la IA moderna, los agentes, la simulación y la toma de decisiones de ingeniería en experiencias de aprendizaje integradas. |
| 7. Enseñanza de IA basada en datos | Usa conjuntos de datos o resultados de modelos sin un análisis profundo. | Introduce datos, predicción, clasificación, métricas o evaluación básica de modelos. | Guía a los estudiantes en la preparación de datos, visualización, algoritmos de aprendizaje, análisis de errores e incertidumbre. | Diseña actividades ricas en evidencia donde los estudiantes critican la calidad de los datos, el sesgo, los límites del modelo y las implicaciones de ingeniería. |
| 8. Enseñanza con LLMs e IA generativa | Permite el uso de LLMs sin una guía clara ni prácticas de verificación. | Define reglas básicas para el prompting, la citación, la verificación o la divulgación. | Guía a los estudiantes para comparar, validar, mejorar y documentar resultados generados por IA. | Diseña tareas avanzadas de colaboración humano-IA que involucran prompting, RAG, crítica, iteración y razonamiento transparente. |
| 9. Enseñanza de agentes y sistemas multiagente | Menciona a los agentes como asistentes de IA o sistemas automatizados. | Usa ejemplos simples de agentes que perciben, deciden o actúan. | Diseña actividades con agentes, simulaciones, juegos, robots o escenarios de colaboración humano-IA. | Crea entornos de aprendizaje multiagente para estudiar coordinación, emergencia, autonomía, supervisión y riesgos éticos. |
| 10. Evaluación auténtica | Usa evaluaciones tradicionales basadas en productos que pueden automatizarse fácilmente. | Añade preguntas sobre el uso de IA o pide a los estudiantes divulgar el uso de herramientas. | Diseña evaluaciones que requieren justificación, validación, comparación, crítica, reflexión y evidencia oral o de proceso. | Desarrolla sistemas de evaluación que valoran el razonamiento, el proceso, la colaboración, el juicio ético y el desempeño apoyado por IA. |
| 11. Detección de aprendizaje superficial | Nota una posible dependencia excesiva de la IA pero carece de estrategias claras de evidencia. | Usa verificaciones simples como preguntas orales, trabajo en clase o revisión tipo plagio. | Usa bitácoras de proceso, registros de prompts, historiales de versiones, tareas de crítica y actividades de validación para identificar comprensión superficial. | Construye ecosistemas de evaluación que hacen visible el razonamiento del estudiante y reducen la delegación acrítica a la IA. |
| 12. Metacognición y colaboración humano-IA | Anima a los estudiantes a usar IA pero da poca orientación sobre los procesos de pensamiento. | Pide a los estudiantes revisar los resultados de la IA y explicar si están de acuerdo. | Enseña a los estudiantes a cuestionar, verificar, iterar, autoexplicarse y tomar decisiones responsables con la IA. | Cultiva una colaboración humano-IA reflexiva donde los estudiantes usan la IA para profundizar el razonamiento, no para reemplazarlo. |
| 13. Uso ético y transparente de la IA | Reconoce preocupaciones generales sobre la integridad académica o el mal uso. | Define normas básicas de aula para la divulgación, la privacidad y el uso aceptable de la IA. | Integra sesgo, equidad, privacidad, transparencia, rendición de cuentas e integridad académica en las actividades de aprendizaje. | Lidera políticas y prácticas éticas de IA alineadas con la gobernanza institucional, los estándares disciplinarios y la autonomía del estudiante. |
| 14. Inclusión y equidad educativa | Reconoce que la IA puede ayudar o perjudicar a distintos estudiantes. | Usa la IA para brindar explicaciones adicionales, práctica o apoyo lingüístico. | Diseña apoyos de aprendizaje diferenciados, accesibles, multilingües y personalizados con supervisión humana. | Evalúa el impacto en equidad de la enseñanza apoyada por IA y adapta las prácticas para reducir barreras y promover la inclusión. |
| 15. Mejora basada en evidencia | Se basa principalmente en impresiones sobre si la IA mejora el aprendizaje. | Recopila retroalimentación básica de los estudiantes sobre las actividades apoyadas por IA. | Usa el trabajo de los estudiantes, rúbricas, retroalimentación, analítica y observaciones para mejorar la enseñanza asistida por IA. | Realiza indagación sistemática o investigación sobre la enseñanza para evaluar y mejorar los diseños de aprendizaje apoyados por IA. |
| 16. Desarrollo profesional continuo | Explora herramientas de IA de forma esporádica e informal. | Participa en capacitación básica sobre herramientas de IA o uso responsable. | Actualiza sus conocimientos sobre fundamentos de IA, herramientas, riesgos, pedagogía y evaluación mediante desarrollo profesional estructurado. | Lidera comunidades de práctica, capacitación docente, innovación curricular y desarrollo de capacidades institucionales para la educación en IA. |
Interpretación sugerida
| Nivel | Descriptor |
|---|---|
| Inicial | Usa o reconoce herramientas de IA con integración pedagógica, técnica o ética limitada. |
| Básico | Explica ideas básicas de IA e incorpora la IA en tareas de enseñanza seleccionadas con orientación. |
| Competente | Diseña experiencias de aprendizaje, evaluaciones y lineamientos de uso ético apoyados por IA alineados con los objetivos de la educación en ingeniería. |
| Avanzado | Lidera el rediseño curricular, el desarrollo docente, la mejora basada en evidencia y la innovación pedagógica responsable con IA. |
Perfil esperado para docentes de ingeniería
Un docente de ingeniería debería alcanzar al menos un nivel competente en alfabetización en IA para la enseñanza, rediseño curricular, aprendizaje apoyado por IA generativa, evaluación auténtica, uso ético y desarrollo profesional continuo. Los docentes que lideran la innovación institucional deberían acercarse al nivel avanzado en transformación curricular, mejora basada en evidencia, capacitación docente y gobernanza responsable de la IA.